买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南理工大学申请的专利一种基于度量学习的双阶段猪脸识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116246301B 。

龙图腾网通过国家知识产权局官网在2025-08-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211568507.8，技术领域涉及：G06V40/10；该发明授权一种基于度量学习的双阶段猪脸识别方法是由杜启亮;陆国溱;田联房设计研发完成，并于2022-12-08向国家知识产权局提交的专利申请。

本一种基于度量学习的双阶段猪脸识别方法在说明书摘要公布了：本发明公开了一种基于度量学习的双阶段猪脸识别方法，包括：1对收集到的猪脸图片进行筛选和标注，划分好训练集和测试集；2对Retinaface检测模型结构进行改进；3将训练集中的图片输入改进Retinaface检测模型进行训练；4将训练集中图片根据标注信息进行裁剪和后续处理；5搭建Dense_BilinearCNN猪脸识别模型；6将正脸数据集和侧脸数据集的图片分别输入到Dense_BilinearCNN猪脸识别模型进行训练；7根据步骤3、6得到的模型参数进行模型的级联；8在测试集中，挑选图片建立数据库，剩余图片进行特征比对。本发明可有效实现猪脸识别，准确度高。

本发明授权一种基于度量学习的双阶段猪脸识别方法在权利要求书中公布了：1.一种基于度量学习的双阶段猪脸识别方法，其特征在于，包括以下步骤： 1获取猪脸图片，对收集到的图片进行筛选和标注，根据猪脸类别划分好训练集和测试集，在训练集中根据图片数量划分验证集； 2结合实际应用以及检测要求对Retinaface检测模型结构进行改进，得到改进Retinaface检测模型，其改进包括在加强特征提取过程中使用通道注意力和空间注意力的方法加强对特征的进一步筛选；在预测模块的关键点预测分支中，将原模型分支减至适合所需任务的分支数；在损失函数部分，将原模型具有四项的多任务损失函数改至预测分类损失、预测面部框回归损失和预测关键点回归损失的三项多任务损失函数； 3将训练集中的图片输入到改进Retinaface检测模型中进行训练，根据预设参数进行训练，将验证集损失最小的模型参数作为改进Retinaface检测的模型参数，记为R； 4将训练集中的图片根据标注信息进行裁剪和后续处理，其中该后续处理针对猪脸更为立体的结构，为了让网络学习到相应的特征，根据双眼连线的中点和双鼻孔连线的中点之间点连线与双眼连线的法线之间的夹角判断是否为正脸或者侧脸，制备正脸数据集和侧脸数据集； 5结合实际应用以及识别要求搭建Dense_BilinearCNN猪脸识别模型，该模型在主干网络上采用DenseNet121；在特征提取上采用双线性卷积神经网络结构；在损失函数方面，采用Tripletloss、Centerloss和Arcfaceloss的联合损失函数； 6将正脸数据集和侧脸数据集的图片分别输入到Dense_BilinearCNN猪脸识别模型中进行训练，根据预设参数进行训练，分别将验证集损失最小的模型参数作为Dense_BilinearCNN猪脸识别的模型参数，得到正脸的模型参数A和侧脸的模型参数B； 7根据步骤3和步骤6得到的模型参数进行模型的级联，具体操作是：将输入图片输入到加载了模型参数R的改进Retinaface检测模型得到预测信息，根据预测信息和步骤4的判断标准来判别是否属于正脸，若是则将处理后的图片输入到加载了模型参数A的Dense_BilinearCNN猪脸识别模型，否则将处理后的图片输入到加载了模型参数B的Dense_BilinearCNN猪脸识别模型，最后级联模型会输出该图片的128维特征向量； 8在测试集中，根据步骤4的判断标准判别每一头猪的正脸和侧脸，分别挑选一张作为猪脸数据库，数据库中每一头猪的图片同样也要经过步骤7分别得到正脸和侧脸的128维特征向量作为该猪的正脸和侧脸特征；将测试集中的剩余图片作为待测图片与数据库中的图片进行特征比对，特征比对的方法是通过步骤7计算待测图片的特征，然后计算该特征与数据库中每一头猪的特征的欧氏距离，挑选数据库中与待测图片欧式距离最小的猪，则认为待测图片的身份对应数据库中的这一头猪，即完成了识别过程。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。